LEVENSHTEIN DISTANCE(LD)-计算两字符串相似度算法

LEVENSHTEIN DISTANCE(LD)-计算两字符串相似度算法

两字符串相似度计算方法有好多，现对基于编距的算法的相似度计算自己总结下。

简单介绍下Levenshtein Distance(LD)：LD 可能衡量两字符串的相似性。它们的距离就是一个字符串转换成那一个字符串过程中的添加、删除、修改数值。

举例：

如果str1="test"，str2="test"，那么LD(str1,str2) = 0。没有经过转换。

如果str1="test"，str2="tent"，那么LD(str1,str2) = 1。str1的"s"转换"n"，转换了一个字符，所以是1。

如果它们的距离越大，说明它们越是不同。

Levenshtein distance最先是由俄国科学家Vladimir Levenshtein在1965年发明，用他的名字命名。不会拼读，可以叫它edit distance（编辑距离）。

Levenshtein distance可以用来：

Spell checking(拼写检查)

Speech recognition(语句识别)

DNA analysis(DNA分析)

Plagiarism detection(抄袭检测)

LD用m*n的矩阵存储距离值。算法大概过程：

str1或str2的长度为0返回另一个字符串的长度。

初始化(n+1)*(m+1)的矩阵d，并让第一行和列的值从0开始增长。

扫描两字符串（n*m级的），如果：str1[i] == str2[j]，用temp记录它，为0。否则temp记为1。然后在矩阵d[i][j]赋于d[i-1][j]+1 、d[i][j-1]+1、d[i-1][j-1]+temp三者的最小值。

扫描完后，返回矩阵的最后一个值即d[n][m]

最后返回的是它们的距离。怎么根据这个距离求出相似度呢？因为它们的最大距离就是两字符串长度的最大值。对字符串不是很敏感。现我把相似度计算公式定为1-它们的距离/字符串长度最大值。

LEVENSHTEIN DISTANCE(LD)-计算两字符串相似度算法

两字符串相似度计算方法有好多，现对基于编距的算法的相似度计算自己总结下。
简单介绍下Levenshtein Distance(LD)：LD 可能衡量两字符串的相似性。它们的距离就是一个字符串转换成那一个字符串过程中的添加、删除、修改数值。
举例：
如果str1="test"，str2="test"，那么LD(str1,str2) = 0。没有经过转换。
如果str1="test"，str2="tent"，那么LD(str1,str2) = 1。str1的"s"转换"n"，转换了一个字符，所以是1。
如果它们的距离越大，说明它们越是不同。
Levenshtein distance最先是由俄国科学家Vladimir Levenshtein在1965年发明，用他的名字命名。不会拼读，可以叫它edit distance（编辑距离）。
Levenshtein distance可以用来：
Spell checking(拼写检查)
Speech recognition(语句识别)
DNA analysis(DNA分析)
Plagiarism detection(抄袭检测)
LD用m*n的矩阵存储距离值。算法大概过程：
str1或str2的长度为0返回另一个字符串的长度。
初始化(n+1)*(m+1)的矩阵d，并让第一行和列的值从0开始增长。
 
扫描两字符串（n*m级的），如果：str1[i] == str2[j]，用temp记录它，为0。否则temp记为1。然后在矩阵d[i][j]赋于d[i-1][j]+1 、d[i][j-1]+1、d[i-1][j-1]+temp三者的最小值。
 
扫描完后，返回矩阵的最后一个值即d[n][m]
 
最后返回的是它们的距离。怎么根据这个距离求出相似度呢？因为它们的最大距离就是两字符串长度的最大值。对字符串不是很敏感。现我把相似度计算公式定为1-它们的距离/字符串长度最大值。
 
Java代码 
1.源码：  
2.  
3.package com.chenlb.algorithm;  
4.  
5./** 
6. * 编辑距离的两字符串相似度 
7. *  
8. * @author chenlb 2008-6-24 下午06:41:55 
9. */  
10.public class Similarity {  
11.  
12.    private int min(int one, int two, int three) {  
13.        int min = one;  
14.        if(two < min) {  
15.            min = two;  
16.        }  
17.        if(three < min) {  
18.            min = three;  
19.        }  
20.        return min;  
21.    }  
22.      
23.    public int ld(String str1, String str2) {  
24.        int d[][];    //矩阵  
25.        int n = str1.length();  
26.        int m = str2.length();  
27.        int i;    //遍历str1的  
28.        int j;    //遍历str2的  
29.        char ch1;    //str1的  
30.        char ch2;    //str2的  
31.        int temp;    //记录相同字符,在某个矩阵位置值的增量,不是0就是1  
32.        if(n == 0) {  
33.            return m;  
34.        }  
35.        if(m == 0) {  
36.            return n;  
37.        }  
38.        d = new int[n+1][m+1];  
39.        for(i=0; i<=n; i++) {    //初始化第一列  
40.            d[i][0] = i;  
41.        }  
42.        for(j=0; j<=m; j++) {    //初始化第一行  
43.            d[0][j] = j;  
44.        }  
45.        for(i=1; i<=n; i++) {    //遍历str1  
46.            ch1 = str1.charAt(i-1);  
47.            //去匹配str2  
48.            for(j=1; j<=m; j++) {  
49.                ch2 = str2.charAt(j-1);  
50.                if(ch1 == ch2) {  
51.                    temp = 0;  
52.                } else {  
53.                    temp = 1;  
54.                }  
55.                //左边+1,上边+1, 左上角+temp取最小  
56.                d[i][j] = min(d[i-1][j]+1, d[i][j-1]+1, d[i-1][j-1]+temp);  
57.            }  
58.        }  
59.        return d[n][m];  
60.    }  
61.      
62.    public double sim(String str1, String str2) {  
63.        int ld = ld(str1, str2);  
64.        return 1 - (double) ld / Math.max(str1.length(), str2.length());   
65.    }  
66.      
67.    public static void main(String[] args) {  
68.        Similarity s = new Similarity();  
69.        String str1 = "chenlb.blogjava.net";  
70.        String str2 = "chenlb.iteye.com";  
71.        System.out.println("ld="+s.ld(str1, str2));  
72.        System.out.println("sim="+s.sim(str1, str2));  
73.    }  
74.}  

　　

转载于:https://www.cnblogs.com/GavinAce/archive/2011/12/08/2280963.html